关键词metric-based meta-learning
搜索结果 - 6
- CVPR元学习的数据高效和鲁棒任务选择
基于梯度和基于度量的元学习算法可采用 Data-Efficient and Robust Task Selection (DERTS) 算法来选择加权子任务，使得训练高效并对噪声标签数据鲁棒，DERTS 在有限的数据预算和噪声任务设置中胜过 - EMNLPRAPL：一种面向少样本文档级关系抽取的关系感知原型学习方法
本文提出了一种关系感知的原型学习方法，通过巧妙利用关系描述和真实的任务特定的 NOTA 实例来有效地改进关系原型并生成任务特定的 NOTA 原型，实验证明该方法在两个 FSDLRE 基准测试的各种设置中比最先进的方法平均提升了 2.61% - 利用可学习视角对比学习提升少样本分类
通过引入对比损失和学习算法，本研究提升了少样本分类任务中的细分子类别鉴别能力，实现了在嵌入空间中的潜在细粒度结构学习，并通过在标准小样本学习基准测试中的广泛试验验证了该方法的优越性。
- CVPR自适应边界损失增强少样本学习
本文针对小样本学习（few-shot learning）的泛化困难问题，提出了一种自适应_margin_方法，改善了基于度量的元学习方法的泛化能力，并通过实验验证了该方法的有效性。
- AAAI度量学习的变分度量缩放
本文从贝叶斯视角重新构建度量学习，在提出随机变分方法学习单个全局缩放参数的基础上，进一步生成任务依赖的尺度向量，实现纬度缩放以更好地适应给定的数据分布，为已有的度量学习算法提供可插拔的端到端方式并对 mini-ImageNet 数据集的表现 - 自适应交叉模态少样本学习
本文提出了一种机制，可以根据待学习的新图像类别自适应地从视觉和语义两方面结合信息，通过一系列实验表明，这种自适应组合可以在所有基准和 few-shot 情景上大幅优于当前单模态学习方法和模态对齐方法，特别是在少样本的情况下。